在matlab上用卷积神经网络识别猫狗

好的，下面是一个简单的示例代码，用于在MATLAB中使用卷积神经网络（CNN）对猫和狗进行图像分类。

首先，我们需要准备数据。我们可以使用Kaggle上的“Dogs vs. Cats”数据集，该数据集包含25000张猫和狗的图像。其中，训练集包含20000张图像，测试集包含5000张图像。

% 加载数据集
imds_train = imageDatastore('train', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
imds_test = imageDatastore('test', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');

% 设置训练参数
opts = trainingOptions('sgdm', ...
    'InitialLearnRate', 0.001, ...
    'MaxEpochs', 20, ...
    'MiniBatchSize', 32, ...
    'Plots', 'training-progress');

% 定义卷积神经网络
layers = [
    imageInputLayer([224 224 3])
    convolution2dLayer(3, 64, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 128, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 256, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    convolution2dLayer(3, 256, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 512, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    convolution2dLayer(3, 512, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 512, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    convolution2dLayer(3, 512, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(4096)
    reluLayer
    dropoutLayer(0.5)
    fullyConnectedLayer(4096)
    reluLayer
    dropoutLayer(0.5)
    fullyConnectedLayer(2)
    softmaxLayer
    classificationLayer];

% 训练卷积神经网络
net = trainNetwork(imds_train, layers, opts);

% 在测试集上测试卷积神经网络
YPred = classify(net, imds_test);
YTest = imds_test.Labels;
accuracy = sum(YPred == YTest) / numel(YTest);
fprintf('测试准确率为 %.2f%%\n', accuracy * 100);

在上面的代码中，我们首先使用`imageDatastore`函数加载数据集。然后，我们定义了一个包含卷积层、池化层、全连接层等的卷积神经网络。接着，我们使用`trainNetwork`函数对卷积神经网络进行训练，并在测试集上测试了准确率。

需要注意的是，上述代码中的卷积神经网络比较深，训练时间可能会比较长。如果你的计算机性能不够强大，可以考虑减少网络的深度或者使用更小的图像尺寸。